ME951 - Estatística e

Probabilidade I
Parte 7
Probabilidade Condicional e
Independência
Probabilidade Condicional
Probabilidade Condicional: encontrar a probabilidade de um evento quando
você tem alguma outra informação sobre o evento.

· Considere o lançamento de dois dados. Espaço amostral na figura abaixo.

· Considere que cada resultado tenha a

mesma chance de ocorrer: 1/36.

· Suponha que você lance primeiro um dos

dados e o resultado é 4.

· Qual a probabilidade de que a soma dos

resultados dos dois dados seja 10?

3/36
Probabilidade Condicional
Como saiu 4 no primeiro dado, há 6 resultados possíveis:

Ω1 = {(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)}

Cada resultado tem a mesma probabilidade de

ocorrer: 1/6.

Dado que o primeiro dado teve resultado 4,

então a probabilidade de cada evento em Ω1 tem igual chance de ocorrer.

Considere os eventos:

B = {a soma dos dados é igual a 10}

A = {no primeiro dado saiu 4}

Definimos a probabilidade condicional de B dado A por:

P(B ∣ A)

4/36
Probabilidade Condicional
Suponha que o resultado do experimento esteja contido no evento A.

Para que o resultado esteja também no evento B,

ele precisa necessariamente estar tanto em A
quanto em B, ou seja, precisa estar em A ∩ B .

Mas, como sabíamos desde o início que o

resultado estava em A, nosso espaço amostral
agora é reduzido para somente os elementos de A e então:

P(A ∩ B)
P(B ∣ A) =
P(A)

5/36
Exemplo: Lançamento de dois dados
Voltando ao exemplo dos dois dados.

· Seja o evento A = {no primeiro dado saiu 4}.

A = {(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6)}

· Seja o evento B = {a soma dos dados é igual a 10}

B = {(4, 6), (5, 5), (6, 4)}

· Então A ∩ B = {(4, 6)} . Portanto:

P(A ∩ B) 1/36 1
P(B ∣ A) = = =
P(A) 6/36 6

6/36
Exemplo: Qual a chance de cair na malha fina?
80.2 milhões de declarações.

Renda x Caiu na Malha Fina?

Sim Não Total

D - abaixo de 25.000 90 14010 14100

C - 25.000 a 49.999 71 30629 30700

B - 50.000 a 99.999 69 24631 24700

A - acima de 100.000 80 10620 10700

Total 310 79890 80200

Para simplificar, uma frequência de 90 representa 90.000.

7/36
Exemplo: Qual a chance de cair na malha fina?
Espaço amostral:

Ω = {(A, sim), (A, não), (B, sim), (B, não), (C, sim), (C, não), (D, sim), (D, não)

Qual a probabilidade de cair na malha fina se a renda for acima de 100.000?

Considere os eventos:

·  = {caiu na malha fina} ={(A, sim), (B, sim), (C, sim), (D, sim)}

·  = {renda acima de 100.000} ={(A, sim), (A, não)}

P( ∩ ) P({(A, sim)})

P( ∣ ) = =
P() P({(A, sim), (A, não)})

80/80200
= = 0.007
10700/80200

8/36
Exemplo: Qual a chance de cair na malha fina?
Probabilidade condicional por faixa de renda em 2002
Renda X Caiu na Malha Fina? Sim Não Total

D - abaixo de 25.000 90/14100 14010/14100 14100/14100

C - 25.000 a 49.999 71/30700 30629/30700 30700/30700

B - 50.000 a 99.999 69/24700 24631/24700 24700/24700

A - acima de 100.000 80/10700 10620/10700 10700/10700

9/36
Exemplo: Qual a chance de cair na malha fina?
Probabilidade condicional por faixa de renda em 2002
Renda X Caiu na Malha Fina? Sim Não Total

D - abaixo de 25.000 0.006 0.994 1

C - 25.000 a 49.999 0.002 0.998 1

B - 50.000 a 99.999 0.003 0.997 1

A - acima de 100.000 0.007 0.993 1

10/36
Independência
Vimos que:

P(A ∩ B)
P(B ∣ A) =
P(A)

Regra da multiplicação:

P(A ∩ B) = P(A)P(B ∣ A)

Quando P(B ∣ A) = P(B) (informação sobre A não altera a probabilidade do

evento B), dizemos que B e A são independentes. Neste caso:

P(A ∩ B) = P(A)P(B)

11/36
Exemplo
Considere o lançamento de dois dados “justos” (36 resultados possíveis têm a
mesma probabilidade de ocorrer).

Considere os eventos:

· A : primeiro dado tem resultado 3.

· B : soma dos dados é igual a 8.
· C : soma dos dados é igual a 7.

Perguntas:

· Eventos A e B são independentes?

· E os eventos A e C são independentes?

12/36
Exemplo
Eventos A e B são independentes?
1
P(A ∩ B) = P({(3, 5)}) =
36

6
P(A) = P({(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)}) =
36

5
P(B) = P({(2, 6), (3, 5), (4, 4), (5, 3), (6, 2)}) =
36

1 6 5
P(A ∩ B) = ≠ P(A) × P(B) = ×
36 36 36

Portanto, A e B não são eventos independentes.

13/36
Exemplo
E os eventos A e C são independentes?
1
P(A ∩ C) = P({(3, 4)}) =
36

6
P(A) = P({(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6)}) =
36

6
P(C) = P({(1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1)}) =
36

1 6 6
P(A ∩ C) = = P(A) × P(C) = ×
36 36 36

Portanto, A e C são eventos independentes.

14/36
Exemplo
Suponha que A e B sejam dois eventos disjuntos.

Suponha que P(A) > 0 e P(B) > 0 .

A e B são independentes?

A e B são disjuntos, então A ∩ B = ∅ e P(A ∩ B) = 0 .

P(A) > 0 e P(B) > 0 , portanto:

P(A ∩ B) = 0 ≠ P(A)P(B).

A e B não são independentes.

Além disso: P(B , ou seja, dado que A ocorre, B não ocorre.

P(A∩B)
∣ A) = = 0
P(A)

15/36
Exemplo
Em uma família com duas crianças, considere os eventos:

· A ={a primeira criança é uma menina}

· B ={as duas crianças são meninas}.

Qual a P(B ∣ A)?

Ω = {FF, MM, FM, MF}

A = {FF, FM} B = {FF} ⟹ B ∩ A = B

Portanto,

P(B ∩ A) P({FF}) 1/4

P(B ∣ A) = = = = 1/2
P(A) P({FF, FM}) 1/2

16/36
Exemplo
Em uma família com duas crianças, considere os eventos:

· A ={a primeira criança é uma menina}

· B ={as duas crianças são meninas}.

A e B são eventos independentes?

Ω = {FF, MM, FM, MF}

A = {FF, FM} B = {FF} ⟹ B ∩ A = B

Então, P(B e
1
∩ A) = P(B) =
4

1 1 1
P(A)P(B) = × = ≠ P(B ∩ A)
2 4 8

Portanto, A e B não são independentes.

17/36
Chutar as respostas e ainda passar na prova
Chutar: escolher as respostas ao acaso

Temos uma prova com três questões de múltipla

escolha.

Em cada questão há 5 alternativas, apenas 1 é

correta.

Experimento: anotar o resultado do aluno na prova.

Espaço amostral:

Ω = {CCC, CCI , CI C, CI I , I CC, I CI , I I C, I I I }

18/36
Chutar as respostas e ainda passar na prova
Quais as probabilidades dos eventos do espaço amostral?

Para cada questão:

P(C) = 0.2 e P(I ) = 0.8

Então, a probabilidade de acertar as três

questões é:

P(CCC) = P(C) × P(C) × P(C)

= (0.2)(0.2)(0.2)

3
= (0.2) = 0.008

Qual a probabilidade do aluno acertar pelo menos duas questões?

P(CCC) + P(CCI ) + P(CI C) + P(I CC) = 0.008 + 3 × 0.032 = 0.104

19/36
Cinto de segurança e acidentes

Uso de cinto / Sobreviveu Sim (S) Não (S¯ ) Total

Sim (C) 414368 510 412878

Não (C
¯
) 162527 1601 164128

Total 574895 2111 577006

Qual a probabilidade de que a pessoa morreu no acidente?

2111
P(S̄ ) = = 0.004
577006

Qual a probabilidade de que a pessoa morreu dado que ela usava o cinto de segurança?

P(S̄ ∩ C) 510
P(S̄ ∣ C) = = = 0.001
P(C) 412878

20/36
Cinto de segurança e acidentes

Uso de cinto / Sobreviveu Sim (S) Não (S¯ ) Total

Sim (C) 414368 510 412878

Não (C
¯
) 162527 1601 164128

Total 574895 2111 577006

Qual a probabilidade de que a pessoa morreu dado que ela não usava o cinto de segurança?

P(S̄ ∩ C̄ ) 1601
P(S̄ ∣ C̄ ) = = = 0.01
P(C̄ ) 164128

Morte e uso de cinto são eventos independentes?

2111
P(S̄ ) = = 0.004
577006

Como P(S̄ ∣ C) ≠ P(S̄ ) , os eventos não são independentes.

21/36
Exemplo
Uma sacola contém 10 sementes de flores vermelhas e 5 de flores brancas.
Selecionamos duas sementes ao acaso, uma a uma e sem reposição.

Qual é a probabilidade de que :

· a primeira semente seja vermelha?

· a segunda seja branca se a primeira foi vermelha?

Defina os eventos:

A = {a primeira semente é vermelha} e B={a segunda semente é branca}

Então:

10 2 5
P(A) = = e P(B|A) =
15 3 14

22/36
Teorema de Bayes
Considere dois eventos quaisquer A e B.

Para que um elemento esteja em A, há duas possibilidades:

· o elemento está em A e em B;
· o elemento está em A, mas não está em B.

Portanto, podemos escrever:

c
A = (A ∩ B) ∪ (A ∩ B )

As duas possibilidades são disjuntas, então:

c
P(A) = P(A ∩ B) + P(A ∩ B )

23/36
Teorema das Probabilidades Totais
Vimos que: P(A) c
= P(A ∩ B) + P(A ∩ B )

E sabemos que:

P(A ∩ B) = P(A ∣ B)P(B)

c c c
P(A ∩ B ) = P(A ∣ B )P(B )

Então reescrevemos:
c c
P(A) = P(A ∣ B)P(B) + P(A ∣ B )P(B )

Interpretação: a probabilidade do evento A é uma média ponderada de

P(A ∣ B) e P(A ∣ B ) . O peso de cada probabilidade condicional é a
c

probabilidade do evento que está sendo levado em conta ao calcular a

probabilidade condicional de A.

24/36
Teorema das Probabilidades Totais
Seja {B1 , … , Bn } uma partição de eventos de Ω e A um evento em Ω.

Dizemos que os eventos {B1 , B2 , … , Bn } formam um partição do espaço

amostral Ω se são mutuamente exclusivos e a união desses eventos é Ω.

Então,
n

P(A) = P(A ∣ Bi )P(Bi )

∑
i=1

25/36
Teorema de Bayes
Se considerarmos a partição B e Bc do espaço amostral Ω e A um evento em Ω.
Então:

P(B ∩ A) P(A ∣ B)P(B)

P(B ∣ A) = =
c c
P(A) P(A ∣ B)P(B) + P(A ∣ B )P(B )

No caso geral, seja {B1 , … , Bn } uma partição de

eventos de Ω e A um evento em Ω:

P(A ∣ Bi )P(Bi )
P(Bi ∣ A) = n
∑ P(A ∣ Bi )P(Bi )
i=1

26/36
Exemplo: Teste de diagnóstico
Um exame de sangue é 99% efetivo em detectar uma certa doença quando esta
está presente. No entanto, 2% são falso-positivos. Suponha que 0,5% da
população tem a doença.

Qual a probabilidade condicional de que um indivíduo testado aleatoriamente

tenha a doença dado que o teste deu positivo?

Temos que,

· 0,5% da população tem a doença;

· o exame é 99% efetivo em detectar a doença quando esta está presente; e

· 2% são falso-positivos.

27/36
Exemplo: Teste de diagnóstico
Considere os eventos: D = {estar doente} e T P = {testar positivo}, temos que
c
P(T P ∣ D) = 0.99, P(T P ∣ D ) = 0.02 e P(D) = 0.005

Então,

P(T P ∣ D)P(D)
P(D ∣ T P) =
P(T P)

P(T P ∣ D)P(D)
=
c c
P(T P ∣ D)P(D) + P(T P ∣ D )P(D )

0.99 × 0.005
= = 0.20
0.99 × 0.005 + 0.02 × 0.995

28/36
Câncer de Mama
Câncer de mama afeta 1% das mulheres.

Mamografia é o teste padrão para detectar

câncer de mama. Mas sabe-se que não é
um teste perfeito.

Estatísticas mostram que:

· a mamografia é 80% efetiva em detectar

o câncer quando este realmente existe.

· 9.6% das mamografias resultam em falsos positivos (teste positivo quando o

câncer não existe).

Suponha que sua mãe faz uma mamografia e o resultado é positivo. Qual é a
probabilidade dela realmente estar com câncer de mama?

29/36
Exemplo: Companhia de Seguros
Uma companhia de seguros acredita que as pessoas
podem ser divididas em duas categorias:

1. aquelas que estão mais sujeitas a acidentes.

2. aquelas que não estão mais sujeitas a acidentes.

Os dados indicam que uma pessoa da categoria 1

terá um acidente durante o período de um ano com

probabilidade 0.1.

A probabilidade para todas as outras pessoas é 0.05.

Suponha que a probabilidade de um novo cliente pertencer à categoria 1 seja

0.2.

Qual a probabilidade de que o novo cliente tenha um acidente durante o

primeiro ano? E se um novo cliente tem um acidente durante o primeiro ano,
qual é a probabilidade de que ele pertença à categoria 1?

30/36
Exemplo: Companhia de Seguros
Pergunta: Qual a probabilidade de que o novo cliente
tenha um acidente durante o primeiro ano?

Considere os eventos:

A = {o novo cliente tem um acidente durante o primeiro

ano}

B = {o novo cliente pertence à categoria 1}

B = {o novo cliente pertence à categoria 2}

c

Pelo Teorema das Probabilidades Totais:

c c
P(A) = P(A ∣ B)P(B) + P(A ∣ B )P(B )

= 0.1 × 0.2 + 0.05 × 0.8 = 0.06

31/36
Exemplo: Companhia de Seguros
Pergunta: Se um novo cliente tem um acidente
durante o primeiro ano, qual é a probabilidade de
que ele pertença à categoria 1?

A = {o novo cliente tem um acidente durante o

primeiro ano}

B = {o novo cliente pertence à categoria 1}

Pelo Teorema de Bayes:

P(B ∩ A) P(A ∣ B)P(B)

P(B ∣ A) = =
P(A) P(A)

0.1 × 0.2 1
= =
0.06 3

32/36
Exemplo: DNA e crime
Dado que o réu é inocente (I ), suponha que a
probabilidade do DNA dele ser compatível (C ) com o
DNA encontrado na cena do crime seja 1 em um
milhão.

P(C ∣ I ) = 0.000001

Dado que o réu é culpado (Ī ), suponha que a probabilidade do DNA dele ser
compatível com o DNA da cena do crime seja 0.99.

P(C ∣ Ī ) = 0.99

O DNA do réu é compatível com o DNA da cena do crime.

Encontre a probabilidade do réu ser inocente dado que o DNA é compatível,

sendo que a probabilidade incondicional dele ser inocente, P(I ), é 0.5.

33/36
Exemplo: DNA e crime
Queremos P(I ∣ C) , sendo que P(I ) = P(Ī ) = 0.5

Pelo Teorema de Bayes:

P(I ∩ C) P(C ∣ I )P(I )

P(I ∣ C) = =
P(C) P(C)

P(C ∣ I )P(I )
=
P(C ∣ I )P(I ) + P(C ∣ Ī )P(Ī )

0.000001 × 0.50
=
0.000001 × 0.5 + 0.99 × 0.5

= 0.000001

A chance de ser inocente dado que houve compatibilidade de DNA é 1 em 1

milhão.

34/36
Exemplo: DNA e crime
Encontre a probabilidade do réu ser inocente dado que
o DNA é compatível, sendo que a probabilidade
incondicional dele ser inocente, P(I ), é 0.99.

P(I ∩ C) P(C ∣ I )P(I )

P(I ∣ C) = =
P(C) P(C)

P(C ∣ I )P(I )
=
P(C ∣ I )P(I ) + P(C ∣ Ī )P(Ī )

0.000001 × 0.99
=
0.000001 × 0.99 + 0.99 × 0.01

= 0.00001

A chance de ser inocente dado que houve compatibilidade de DNA é 1 em 100

mil.

35/36
Leituras
· OpenIntro: seção 2.2.
· Ross: seções 4.5, 4.6
· Magalhães: capítulo 2

Slides produzidos pelos professores:

· Samara Kiihl
· Tatiana Benaglia
· Larissa Matos
· Benilton Carvalho

36/36